Deep Representation Learning wit

Deep Representation Learning with Part Loss for Person Re-Identification(Part loss)(PDF)

---

Author：Hantao Yao, Shiliang Zhang, Yongdong Zhang, Jintao Li, Qi Tian arXiv2017 (Citations:280)

损失函数：Part Loss

任务领域：人重识别（Person Re-Identification, ReID）

问题背景：

       现有的人重识别任务采用分类模型来学习表征，但是现有的由分类模型学习到的特征表示对于零投学习问题如人重识别任务来说并不是最优的，因为人重识别任务和分类任务的优化目标并不是一致的。作者对由深度分类任务得到的特征进行了可视化，发现可视化特征只关注人体上身这一身体区域，而忽略了身体的其他部分。然而，身体的其他部分，如头部、下半身和脚对于不可见人群的描述也是至关重要的，忽视这份部分的特征会增加不可见数据的表征学习风险。

图1 (a)传统分类网络：仅关注人体上本身 (b)Part Loss网络：关注人体全局特征

解决方案：

       本文提出了Part Loss网络，该网络由baseline网络和用于计算Part Loss的延伸网络两部分组成。

图2 Part Loss网络整体架构

1.Baseline Network

       Baseline网络与基于分类的卷积神经网络一致，都是提取图像的全局特征表示。首先，利用CNN网络提取图像的特征表示,

图3 提取图像的特征表示

然后，利用分类器计算特征表示的分类得分（即预测标签），

图4 标签的预测值

最后，利用损失函数计算经验分类风险。

图5 经验分类风险

在这一过程中，作者指出：为了提升训练期间特征的判别能力，一个可能的方法是限制分类器的能力，即弱分类器会促使网络学习具有更强判别力度的特征表示来减小分类损失。此外，减小训练集上的经验分类风险会产生具有判别力的用于分类可见类的特征表示，这会使得学习到的特征表示仅关注训练集中具有判别力的部分，如人体的上半身，而忽视人体的其他部分。

2.Part Loss Computation 

       为了提升对不可见数据的表征学习能力，本文提出了表征学习风险，促使网络对人体的每个部分都学习具有判别能力的特征表示。我们将人体分为K个部分，分别学习它们的特征表示，然后计算表征学习风险。

图6 表征学习风险

     最终，我们将两部分损失结合起来来训练PL-Net 。

图7 参数更新